El nodo Serie temporal se puede utilizar con datos en un entorno local o distribuido. Con este nodo, puede elegir calcular y crear el suavizado exponencial, modelos autorregresivos univariados integrados de media móvil (ARIMA), o modelos ARIMA multivariados (o función de transferencia) para series temporales y generar previsiones basándose en los datos de serie temporal.

El suavizado exponencial es un método de previsión que utiliza los valores ponderados de las observaciones anteriores de la serie para predecir los valores futuros. Como tal, el suavizado exponencial no se basa en una comprensión teórica de los datos. Prevé un punto cada vez, corrigiendo las previsiones a medida que entran nuevos datos. La técnica es útil para hacer previsiones de las series que muestran una tendencia o estacionalidad. Puede elegir entre distintos modelos de suavizado exponencial que difieren en su tratamiento de la tendencia y estacionalidad.

Los modelos ARIMA proporcionan métodos más sofisticados para crear modelos de los componentes de tendencia y estacionales que los modelos de suavizado exponencial y, en concreto, ofrecen la ventaja adicional de incluir variables independientes (predictoras) en el modelo. Esto implica la especificación explícita de órdenes autorregresivos y de media móvil además del grado de diferenciación. Puede incluir variables del predictor y definir funciones de transferencia para algunas o todas ellas, así como especificar la detección automática de valores atípicos o especificar un conjunto explícito de valores atípicos.

También está disponible una opción Modelizador experto, que intenta identificar y calcular automáticamente el modelo ARIMA o de suavizado exponencial que mejor encaje para una o más variables de objetivo, lo cual elimina la necesidad de identificar un modelo apropiado a través del sistema de prueba y error. Si tiene dudas, utilice la opción Modelizador experto.

Si se han especificado variables predictoras el Modelizador experto selecciona estas variables que tiene una relación estadísticamente significativa con las series dependientes para su inclusión en modelos ARIMA. Las variables del modelo se transforman cuando es necesario mediante una diferenciación y/o una raíz cuadrada o una transformación logarítmica natural. De forma predeterminada, el modelizador experto tiene en cuenta todos los modelos de suavizado exponencial y todos los modelos ARIMA y elige el mejor modelo para cada campo objetivo. Sin embargo, puede limitar el modelizador experto para que sólo elija el mejor modelo de suavizado exponencial o para que sólo elija el mejor modelo ARIMA. Además, puede especificar la detección automática de valores atípicos.